今天的模型新闻里，有两个数字很扎眼。

一个是 770B 和 1M，腾讯混元把旗舰开源模型的参数规模和上下文窗口继续往上推。另一个是 27B 和 17GB，一位开发者把 Qwen3.8 放进 Mac Studio 后，给出了很朴素但更有用的本地推理数据。一个在冲云端的天花板，一个在回答「我的机器到底能不能跑」。

这两端同时变快，才是今天最值得留意的事。模型能力还在竞赛，但开发者可获得的选择也在变多。

今天最该看的四件事

GLM-5.3 把「开源权重」放在了智能体编码和网防上

智谱开源了 GLM-5.3 权重，定位很明确，复杂编码、防御性网络安全和长程 Agent 任务。公告里给出了 AA 综合智能指数 60 分，并称其与若干闭源旗舰处于同一档。

我更在意的不是榜单数字，而是能力边界的描述。通用聊天模型的竞争已经很拥挤，能否在真实工具链里连续工作、能否在安全边界内完成防御任务，才是团队落地时真正会卡住的地方。开源权重的价值也在这里，企业可以把模型接进自己的代码库、权限系统和审计流程，而不必把所有上下文交给一个黑盒 API。

但也别急着把「支持网络防御」读成「可以直接上线做安全自动化」。代码执行、Shell 权限、外部连接和人工复核，少一层都可能把防御工具变成新的风险入口。

来源，智谱开源 GLM-5.3 模型权重，主打智能体编程与网络防御

腾讯混元 Hy4 preview 的 1M 上下文，不只是参数表上的一行字

腾讯混元发布 Hy4 preview，总参数 770B、激活参数 49B，并开放了 1M 上下文版本。模型已在腾讯云 TokenHub 和 OpenRouter 上线。

长上下文最容易被写成一个漂亮的规格。可你真把它放进工作流，问题马上变了，长文档塞得下不等于重点找得准，跨段推理稳定不等于一次调用成本能承受。对做知识库问答、代码迁移和长流程 Agent 的人，这个版本值得实测，尤其该盯着检索定位、工具调用和长任务中途漂移，而不是只看能否接受一百万 token。

规格越大，评测越要回到具体任务。

来源，腾讯混元发布 Hy4 preview，770B 总参数和 1M 上下文

本地跑 27B 模型，终于开始有「机器账本」而不是口号

一篇来自 Mac Studio 的实测记录给出 Qwen3.8 27B 的运行数据。该模型使用 Q4_K_M 量化后约占 17GB，通过 Ollama 在 M3 Ultra 上运行。文章还提到 262,144 token 的上下文窗口和 Apache 2.0 协议。

这种文章看起来没有新品发布热闹，却更接近日常决策。开源模型是否可用，往往不是由参数量决定，而是显存或统一内存、量化方式、首 token 延迟、长上下文退化和工具调用成功率一起决定的。只给「能跑」两个字，几乎帮不了准备部署的人。

如果你准备把本地模型接进 Agent，建议先用自己的真实任务跑三件事，连续多轮工具调用、长文档提取、异常恢复。跑完再决定是否迁移，通常比盯一张榜单省时间。

来源，在本地运行 Qwen3.8 27B，来自 Mac Studio 的实际数据

Anthropic 让 Claude 参与对齐训练，方向比标题更重要

Anthropic 报告称，使用 Claude 协助训练模型后，欺骗、谄媚等 10 类对齐失败得到缓解，通用能力没有受损。报告还提到，该方法在比被优化模型大 4.7 倍的模型上仍然有效。

拿模型来帮助评估和训练模型，听上去像是把难题往里套了一层。但安全研究迟早要面对规模问题，人类专家的时间有限，模型可以承担提出候选、做大规模对照和发现异常模式的工作。关键不在于让 AI 替人下结论，而在于人类是否还能看懂训练目标、追踪偏差，并保留一票否决权。

这条路很有希望，也还远没到可以放心交棒的时候。

来源，Anthropic 让 Claude 自主训练模型以缓解对齐失败

其他值得跟进的更新

  • Gemini 3.5 Transcribe 发布，面向实时和预录音频转写，支持说话人分离、词级时间戳和 85 种以上语言识别。对会议记录、客服质检和语音 Agent 来说，评价重点该放在嘈杂环境、多人打断与行业术语，而不只是平均词错率。来源，Google AI 开发者指南

  • Gemini Omni 1.1 Flash 增加生成式视频控制能力，可按 10 秒片段延长场景，最长累积到 40 秒，并支持首尾帧衔接和 4K 输出。视频生成正在从「抽一段好看的」走向可编辑的生产素材。来源，Google DeepMind 更新

  • Midjourney V8.2 图像编辑 向所有用户开放测试，支持指令编辑、多参考图、局部重绘与扩画。参考图数量多起来后，真正的难题会变成风格控制和版权来源管理。来源，Midjourney 更新

  • Terminal-Bench-Science 0.1 发布，用 70 个来自生命、物理、地球、数学与工程科学的专家任务评估科研 Agent。科研 Agent 最缺的不是再多一个「会写代码」的演示，而是可复现、可审计的任务链，这类基准至少在把问题摆到台面上。来源，Terminal-Bench-Science 0.1

  • Open ASR 排行榜 新增印度英语与印地语评测集。语音模型的全球化不能一直等同于多几种欧美语言，评测集往哪里扩，产品才更可能往哪里做。来源，Hugging Face 博客

  • Claude Console 新增个人密钥和服务账号密钥，并支持工作区范围限制。它看似是权限管理的小更新，却正好补上团队把原型 Agent 推进生产时最容易漏掉的账户归属和审计问题。来源，Claude Platform 更新

今日想法

今天的新闻没有一条单独定义未来，但拼在一起很清楚。

一边是 GLM、混元和 Qwen 把开源模型的选择拉得更宽。另一边，Claude 的对齐训练、Terminal-Bench-Science 的评测设计、Console 的密钥治理，都在提醒我们，Agent 不是一个更会回答问题的聊天框。它是一个会读上下文、会调用工具、也会接触权限边界的软件系统。

模型更大当然令人兴奋。不过真正让团队跑得更稳的，常常是那本没有出现在发布会上的机器账本，还有那几条不嫌麻烦的权限规则。